[发明专利]基于生成对抗网络的半监督X光图像自动标注

说明书

本发明提出了一种基于生成对抗网络半监督X光自动标注方法，基于现有的生成对抗网络方法，改进了传统训练方法，利用监督损失和无监督损失相结合的半监督训练方法进行基于少量标注样本的图像分类识别。围绕X光图像标注数据稀缺性的问题进行研究，首先在传统无监督生成对抗网络基础上用softmax替换最后输出层，扩展成为半监督生成对抗网络，其次对生成样本定义额外类别标签引导训练，然后采用半监督训练对网络参数进行优化，最后采用训练好的判别网络对X光图像进行自动标注。该方法在医学X光图像自动标注方面，相比于传统监督学习和其他半监督学习算法性能得到了提高。

技术领域：

本发明是一种半监督图像自动标注方法，特别是涉及医学X光图像标签样本稀缺性问题。具体地说，是一种基于生成对抗网络的半监督医学X光图像自动方法。

背景技术：

近年来，随着深度学习技术在计算机视觉方面的突破性进展，使得图像分类、目标检测和实例分割等自然图像计算机视觉任务的性能显著提高。因此基于深度学习的计算机视觉方法对早期疾病检测和图像诊断也开始得到广泛应用，其中医学X光学图像作为最为直观准确的疾病检测和诊断手段，因此X光图像分类和识别等领域的发展来说意义重大。然而，X光图像分类性能取决于标签数据集的大小，标签数据量较小的情况下模型往往会出现过拟合等问题，严重影响其准确率，为患者的诊断结果带来极大的误诊。而现实过程中，手工标注大型医学图像数据必然会消耗大量的人力物力成本。

标签图像样本稀缺性问题为图像的自动标注和识别带来了困难，为此常采用半监督学习的方法以期望获得更好的效果。半监督生成式模型的方法中，此类方法假设所有数据，无论是否有标记都是由同一个潜在的模型“生成”的。这个假设使得我们能通过潜在模型的参数将未标记数据与学习目标联系起来，而未标记数据的标记则可看作模型的缺失参数，通常可基于EM算法进行极大似然估计求解。根据概率论公理得到后验分布，找到使最大的类标签对数据进行自动标注。这类算法的关键在于模型假设必须准确，即假设的模型必须与真实数据分布相吻合。但在现实问题中，往往很难事先对模型进行准确的预测和假设，使得算法最终的效果收模型设定影响很大，限制了其应用范围。

针对以上问题，该发明提出了一种基于生成对抗网络的半监督X图像自动标注方法，能够在基于标签样本稀疏性上获得更加准确的的性能。

发明内容：

为了实现上述方法，本发明针对X影像标注中标签样本稀缺性问题，提出了一种基于生成对抗网络的半监督医学X光影像自动标注算法，模型判别器网络通过监督损失和无监督损失相结合的训练方式共同调整网络参数，生成器网络利用特征匹配来提高模型拟合真实数据的能力。采用半监督的训练完成对X光图像标注，该方法实现包括以下步骤：

步骤一：构建网络结构：

网络结构主要包括生成器和判别器，在生成对抗网络的基础上，通过将生成对抗网络的生成器的生成图像样本添加到数据库图像中，对于一个K类分类问题，用新生成的类y＝K+1标注生成图像样本，相应地将判别器输出softmax分类器的维数从K扩展到到K+1；

(一)构建生成器：

生成器网络结构使用多层反卷积网络来对随机噪声向量z进行上采样，生成指定大小的生成图像图像。首先将符合高斯分布分布的100维随机噪声z输入到全连接网络，通过维度变换使其成为三维张量；然后将维度变换后的张量输入到卷积核的大小为5×5，步长为2的多层反卷积层，每次完成反卷积之后都进行批量归一化处理，除了最后输出层使用tanh激活函数以外，其它层都采用ReLu激活函数，最后输出层输出指定大小为的张量，即为生成图像样本；

(二)构建判别器：